复杂网络与GA-PSO算法下的癫痫脑电识别

作者：王若凡; 王浩东; 石连栓

来源：计算机工程与应用, 2022, 1-11.

• 癫痫
• 脑电
• 复杂网络
• 特征选择
• 粒子群算法
• 支持向量机

癫痫（Epilepsy， EP）是大脑神经元异常放电的一种慢性脑部神经疾病，临床上大多由专业神经科医生在癫痫患者的脑电图（Electroencephalogram， EEG）信号上进行人工视觉检测分析，容易受医生的主观影响。因此，筛选有效的脑电特征对EP进行自动识别显得尤为重要。对多通道EEG信号构建相位同步（Phase Synchronization Index， PSI）脑网络，从网络节点和结构功能角度提取15个拓扑特征，并结合支持向量机（Support Vector Machine， SVM）分类器实现癫痫脑电自动识别。分析发现delta（δ）频带下EP脑网络连接显著增加，网络传输效率与小世界属性降低，分类效果最好。进一步将特征进行频带内与频带间交叉组合，并应用粒子群优化算法（Particle Swarm Optimization， PSO）和引入遗传算法（Genetic Algorithm， GA）的改进算法GA-PSO筛选特征组合，研究发现GA-PSO算法优于PSO算法，EP识别准确率更高，且在四频带交叉下达到0.9335。结果表明，引入GA算法使得GA-PSO算法保持种群多样性，避免出现过早收敛从而陷入局部最优，可提高种群的搜索能力，从而快速、稳定的筛选得到最优特征组合，有效对EP脑电信号进行识别。

• 单位
  天津职业技术师范大学